Analisís Exploratorio de Datos - Rutas Intercampus - Ruta 1

In [7]:
import pandas as pd
import plotly.graph_objects as go
import plotly.express as px
import plotly.io as pio
pio.renderers.default='notebook'
In [8]:
# -*- coding: utf-8 -*-
"""
Ruta 1 OUC-075
"""
Out[8]:
'\nRuta 1 OUC-075\n'

Data

In [9]:
from google.colab import drive
drive.mount('/content/drive/')
Drive already mounted at /content/drive/; to attempt to forcibly remount, call drive.mount("/content/drive/", force_remount=True).
In [10]:
%cd /content/drive/My Drive/Intercampus
/content/drive/My Drive/Intercampus
In [11]:
%ls
 DATA-eda-CTD.xlsx  'Estadistica_estudiantes_servicio intercampus_2022.xls'
 EDA-Rutas.ipynb

Ruta 1

OUC-075

Ruta 2 OUC-136

In [12]:
%%HTML
<script src="require.js"></script>
In [13]:
# DATA 

marzo = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Marzo")
marzo2 = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Marzo2")
abril = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Abril")
abril2 = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Abril2")
mayo = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Mayo")
mayo2 = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Mayo2")
junio = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Junio")
junio2 = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Junio2")
agosto = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Agosto")
agosto2 = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Agosto2")
septiembre = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Septiembre")
septiembre2 = pd.read_excel("DATA-eda-CTD.xlsx", sheet_name="Septiembre2")

Marzo

In [14]:
marzo
Out[14]:
Hora Siete7 Ocho8 Nueve9 Diez10 Once11 Catorce14 Quince15 DiezSeis16 DiezSiete17 DiezOcho18 VentiUno21 VentiDos22 VentiTres23 VentiCuatro24 VentiCinco25 VentiOcho28 VentiNueve29 Treinta30 TreintaUno31
0 06:20 NaN NaN NaN NaN NaN 23.0 47.0 29.0 49.0 38.0 NaN 52.0 NaN 52.0 NaN NaN NaN NaN NaN
1 06:40 17.0 50.0 52.0 43.0 32.0 2.0 0.0 0.0 33.0 0.0 NaN 2.0 48.0 3.0 51.0 32.0 52.0 52.0 52.0
2 07:00 2.0 0.0 3.0 8.0 4.0 6.0 20.0 22.0 13.0 7.0 NaN 10.0 0.0 15.0 3.0 8.0 4.0 7.0 4.0
3 07:20 2.0 10.0 11.0 4.0 12.0 4.0 12.0 16.0 17.0 11.0 NaN 7.0 10.0 7.0 1.0 14.0 7.0 10.0 10.0
4 07:40 7.0 4.0 8.0 6.0 6.0 15.0 22.0 16.0 18.0 8.0 NaN 12.0 2.0 12.0 7.0 6.0 15.0 11.0 12.0
5 08:00 8.0 60.0 8.0 2.0 9.0 3.0 4.0 3.0 2.0 10.0 NaN 8.0 17.0 8.0 10.0 12.0 13.0 13.0 5.0
6 08:20 0.0 6.0 3.0 6.0 5.0 23.0 31.0 24.0 4.0 14.0 NaN 29.0 5.0 25.0 3.0 1.0 0.0 1.0 10.0
7 08:40 24.0 11.0 32.0 9.0 23.0 5.0 19.0 1.0 29.0 24.0 NaN 16.0 37.0 8.0 23.0 36.0 52.0 52.0 19.0
8 09:00 22.0 36.0 16.0 39.0 17.0 8.0 14.0 4.0 12.0 39.0 NaN 11.0 24.0 10.0 14.0 28.0 37.0 24.0 52.0
9 09:20 9.0 1.0 10.0 49.0 12.0 4.0 52.0 52.0 52.0 0.0 NaN 50.0 50.0 52.0 8.0 24.0 10.0 4.0 8.0
10 09:40 16.0 30.0 31.0 8.0 15.0 29.0 20.0 10.0 18.0 16.0 NaN 5.0 30.0 12.0 46.0 31.0 42.0 21.0 16.0
11 10:00 8.0 1.0 17.0 21.0 23.0 18.0 15.0 21.0 10.0 14.0 NaN 12.0 43.0 9.0 40.0 12.0 31.0 36.0 0.0
12 10:20 6.0 40.0 9.0 34.0 6.0 24.0 24.0 47.0 19.0 19.0 NaN 41.0 15.0 37.0 27.0 24.0 10.0 0.0 33.0
13 10:40 21.0 11.0 36.0 19.0 42.0 15.0 6.0 39.0 26.0 27.0 NaN 15.0 51.0 21.0 37.0 13.0 29.0 43.0 12.0
14 11:00 29.0 19.0 38.0 11.0 32.0 12.0 11.0 9.0 52.0 23.0 NaN 10.0 49.0 20.0 29.0 35.0 50.0 52.0 28.0
15 11:20 21.0 14.0 12.0 47.0 9.0 52.0 52.0 52.0 0.0 41.0 NaN 32.0 12.0 44.0 15.0 8.0 24.0 10.0 46.0
16 11:40 29.0 47.0 28.0 20.0 16.0 21.0 28.0 14.0 12.0 9.0 NaN 19.0 20.0 19.0 18.0 22.0 21.0 22.0 17.0
17 12:00 NaN NaN NaN 50.0 NaN 11.0 30.0 31.0 20.0 27.0 NaN 22.0 NaN 17.0 NaN NaN NaN NaN NaN
18 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
19 01:20 49.0 33.0 32.0 43.0 31.0 NaN NaN NaN NaN 24.0 NaN 43.0 NaN NaN NaN 50.0 52.0 36.0 NaN
20 01:40 28.0 20.0 49.0 36.0 50.0 50.0 50.0 33.0 41.0 49.0 NaN 52.0 29.0 51.0 23.0 50.0 52.0 52.0 46.0
21 02:00 16.0 11.0 11.0 24.0 18.0 50.0 50.0 50.0 22.0 1.0 NaN 15.0 23.0 47.0 42.0 27.0 9.0 5.0 30.0
22 02:20 23.0 9.0 60.0 22.0 36.0 12.0 9.0 26.0 10.0 17.0 NaN 31.0 9.0 8.0 8.0 39.0 25.0 25.0 10.0
23 02:40 14.0 13.0 14.0 9.0 13.0 5.0 8.0 19.0 8.0 10.0 NaN 6.0 17.0 7.0 22.0 17.0 5.0 12.0 5.0
24 03:00 19.0 17.0 18.0 30.0 15.0 11.0 18.0 11.0 17.0 9.0 NaN 10.0 19.0 5.0 16.0 15.0 19.0 8.0 8.0
25 03:20 18.0 14.0 17.0 24.0 0.0 17.0 17.0 8.0 31.0 12.0 NaN 27.0 24.0 14.0 18.0 24.0 20.0 18.0 10.0
26 03:40 36.0 30.0 29.0 12.0 6.0 26.0 41.0 30.0 50.0 31.0 NaN 36.0 35.0 29.0 32.0 11.0 41.0 42.0 26.0
27 04:00 14.0 10.0 41.0 13.0 50.0 50.0 40.0 47.0 50.0 12.0 NaN 30.0 24.0 48.0 52.0 21.0 21.0 16.0 52.0
28 04:20 50.0 18.0 52.0 52.0 13.0 18.0 8.0 20.0 13.0 24.0 NaN 50.0 23.0 8.0 7.0 49.0 39.0 50.0 4.0
29 04:40 16.0 32.0 17.0 20.0 14.0 47.0 23.0 22.0 46.0 12.0 NaN 7.0 32.0 37.0 24.0 7.0 16.0 11.0 33.0
30 05:00 30.0 9.0 31.0 24.0 8.0 6.0 10.0 5.0 19.0 16.0 NaN 14.0 12.0 7.0 9.0 31.0 27.0 32.0 8.0
31 05:20 8.0 31.0 19.0 23.0 19.0 28.0 35.0 31.0 24.0 13.0 NaN 31.0 13.0 15.0 30.0 18.0 30.0 7.0 13.0
32 05:40 47.0 17.0 38.0 18.0 0.0 8.0 12.0 21.0 14.0 49.0 NaN 42.0 19.0 14.0 11.0 50.0 52.0 33.0 15.0
33 06:00 6.0 41.0 6.0 19.0 10.0 40.0 50.0 50.0 50.0 5.0 NaN 14.0 47.0 17.0 0.0 6.0 NaN NaN 24.0
34 06:20 4.0 3.0 14.0 52.0 42.0 NaN NaN NaN NaN 50.0 NaN 50.0 NaN NaN NaN 18.0 NaN NaN 50.0
35 06:40 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
In [15]:
marzo.columns
Out[15]:
Index(['Hora', 'Siete7', 'Ocho8', 'Nueve9', 'Diez10', 'Once11', 'Catorce14',
       'Quince15', 'DiezSeis16', 'DiezSiete17', 'DiezOcho18', 'VentiUno21',
       'VentiDos22', 'VentiTres23', 'VentiCuatro24', 'VentiCinco25',
       'VentiOcho28', 'VentiNueve29', 'Treinta30', 'TreintaUno31'],
      dtype='object')
In [16]:
marzo['Hora'] = marzo['Hora'].fillna(0)
fig1 = px.box(marzo, points="all", color="Hora")
fig3 = px.pie(marzo, values='Siete7', names='Hora')
fig4 = px.bar(marzo, y="Hora", x=marzo.columns,title="Horas de ruta",text_auto= True,color_discrete_map={'Siete7':'green'})
fig4.update_yaxes(type='category', categoryorder= 'total ascending')
fig5 = px.bar(marzo, x="Hora", y=marzo.columns,title="Horas de ruta",text_auto= True,color_discrete_map={'Siete7':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
In [17]:
fig1.show()
In [18]:
fig3.show()
In [19]:
fig4.show()
In [20]:
fig5.show()
In [21]:
marzoh = marzo
marzoh['Hsum'] = marzoh.sum(axis=1)
marzoh[['Hora','Hsum']]
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:2: FutureWarning:

Dropping of nuisance columns in DataFrame reductions (with 'numeric_only=None') is deprecated; in a future version this will raise TypeError.  Select only valid columns before calling the reduction.

Out[21]:
Hora Hsum
0 06:20 290.0
1 06:40 521.0
2 07:00 136.0
3 07:20 165.0
4 07:40 187.0
5 08:00 195.0
6 08:20 190.0
7 08:40 420.0
8 09:00 407.0
9 09:20 447.0
10 09:40 396.0
11 10:00 331.0
12 10:20 415.0
13 10:40 463.0
14 11:00 509.0
15 11:20 491.0
16 11:40 382.0
17 12:00 208.0
18 0 0.0
19 01:20 393.0
20 01:40 761.0
21 02:00 451.0
22 02:20 379.0
23 02:40 204.0
24 03:00 265.0
25 03:20 313.0
26 03:40 543.0
27 04:00 591.0
28 04:20 498.0
29 04:40 416.0
30 05:00 298.0
31 05:20 388.0
32 05:40 460.0
33 06:00 385.0
34 06:20 283.0
35 06:40 0.0
In [22]:
fig6 = px.bar(marzoh, x="Hora", y='Hsum',title="Horas de ruta",text_auto= True,color_discrete_map={'Siete7':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
fig6.show()

Abril

In [23]:
abril
Out[23]:
Hora Primero1 Cuarto4 Quinto5 Sexto6 Septimo7 Octavo8 DiezOcho18 DiezNueve19 Veinte20 VeinteUno21 VeinteDos22 VeinteCinco25 VeinteSeis26 VeinteSiete27 VeinteOcho28 VeinteNueve29 Unnamed: 17 Unnamed: 18 Unnamed: 19
0 06:20 NaN 18.0 34.0 31.0 31.0 17.0 NaN NaN NaN NaN NaN 9.0 43.0 41.0 25.0 27.0 NaN NaN NaN
1 06:40 52.0 2.0 0.0 5.0 7.0 1.0 36.0 52.0 52.0 50.0 40.0 3.0 2.0 3.0 3.0 1.0 NaN NaN NaN
2 07:00 5.0 3.0 18.0 35.0 13.0 24.0 4.0 5.0 4.0 5.0 4.0 9.0 24.0 12.0 14.0 0.0 NaN NaN NaN
3 07:20 6.0 2.0 9.0 4.0 5.0 10.0 12.0 19.0 15.0 17.0 11.0 2.0 7.0 14.0 5.0 10.0 NaN NaN NaN
4 07:40 11.0 29.0 13.0 9.0 12.0 18.0 6.0 8.0 8.0 13.0 8.0 27.0 14.0 11.0 14.0 8.0 NaN NaN NaN
5 08:00 14.0 9.0 3.0 2.0 2.0 9.0 14.0 12.0 11.0 9.0 7.0 5.0 3.0 15.0 6.0 5.0 NaN NaN NaN
6 08:20 6.0 24.0 37.0 31.0 24.0 15.0 4.0 5.0 1.0 0.0 8.0 30.0 27.0 17.0 14.0 19.0 NaN NaN NaN
7 08:40 39.0 21.0 12.0 7.0 20.0 5.0 33.0 29.0 47.0 34.0 27.0 10.0 18.0 0.0 11.0 3.0 NaN NaN NaN
8 09:00 10.0 11.0 7.0 13.0 7.0 12.0 29.0 52.0 24.0 29.0 22.0 14.0 20.0 11.0 14.0 8.0 NaN NaN NaN
9 09:20 7.0 30.0 52.0 44.0 42.0 37.0 12.0 10.0 4.0 17.0 60.0 28.0 39.0 25.0 30.0 23.0 NaN NaN NaN
10 09:40 8.0 19.0 20.0 9.0 8.0 28.0 24.0 40.0 33.0 40.0 21.0 0.0 18.0 12.0 24.0 11.0 NaN NaN NaN
11 10:00 29.0 32.0 18.0 15.0 23.0 16.0 18.0 24.0 23.0 12.0 0.0 12.0 31.0 16.0 13.0 19.0 NaN NaN NaN
12 10:20 6.0 60.0 16.0 33.0 25.0 14.0 17.0 27.0 16.0 16.0 0.0 25.0 19.0 27.0 18.0 20.0 NaN NaN NaN
13 10:40 35.0 8.0 12.0 21.0 26.0 6.0 24.0 18.0 36.0 37.0 0.0 56.0 12.0 0.0 15.0 14.0 NaN NaN *
14 11:00 32.0 9.0 9.0 7.0 18.0 22.0 27.0 31.0 41.0 42.0 0.0 48.0 19.0 16.0 12.0 19.0 NaN NaN NaN
15 11:20 18.0 42.0 31.0 41.0 13.0 0.0 16.0 15.0 14.0 11.0 20.0 7.0 33.0 37.0 50.0 35.0 NaN NaN NaN
16 11:40 36.0 22.0 32.0 17.0 20.0 20.0 30.0 17.0 23.0 33.0 30.0 26.0 19.0 22.0 18.0 28.0 NaN NaN NaN
17 12:00 NaN 20.0 21.0 10.0 0.0 31.0 NaN NaN NaN NaN NaN NaN 17.0 16.0 52.0 NaN NaN NaN NaN
18 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
19 01:20 24.0 47.0 37.0 27.0 47.0 0.0 NaN 52.0 35.0 NaN 14.0 45.0 NaN NaN NaN NaN NaN NaN NaN
20 01:40 50.0 54.0 48.0 52.0 51.0 36.0 52.0 48.0 52.0 0.0 52.0 44.0 NaN 33.0 NaN 52.0 NaN NaN NaN
21 02:00 9.0 41.0 9.0 12.0 10.0 60.0 21.0 19.0 14.0 39.0 12.0 31.0 NaN 31.0 NaN 32.0 NaN NaN NaN
22 02:20 26.0 29.0 13.0 23.0 16.0 6.0 18.0 23.0 35.0 29.0 17.0 6.0 NaN 9.0 NaN 10.0 NaN NaN NaN
23 02:40 11.0 23.0 9.0 14.0 11.0 15.0 9.0 1.0 21.0 18.0 24.0 14.0 NaN 8.0 NaN 12.0 NaN NaN NaN
24 03:00 10.0 13.0 8.0 9.0 0.0 7.0 12.0 3.0 19.0 31.0 17.0 16.0 NaN 13.0 NaN 4.0 NaN NaN NaN
25 03:20 12.0 17.0 0.0 31.0 27.0 38.0 27.0 25.0 26.0 28.0 50.0 14.0 NaN 27.0 NaN 18.0 NaN NaN NaN
26 03:40 18.0 28.0 0.0 28.0 24.0 31.0 28.0 41.0 34.0 31.0 10.0 42.0 NaN 21.0 NaN 31.0 NaN NaN NaN
27 04:00 11.0 15.0 0.0 27.0 17.0 30.0 50.0 29.0 29.0 52.0 27.0 14.0 NaN 34.0 NaN 44.0 NaN NaN NaN
28 04:20 50.0 52.0 32.0 52.0 52.0 10.0 7.0 49.0 52.0 0.0 20.0 41.0 NaN 9.0 NaN 13.0 NaN NaN NaN
29 04:40 14.0 12.0 52.0 22.0 9.0 21.0 21.0 13.0 30.0 16.0 31.0 7.0 NaN 13.0 NaN 17.0 NaN NaN NaN
30 05:00 20.0 20.0 0.0 34.0 30.0 10.0 19.0 12.0 52.0 34.0 14.0 27.0 NaN 7.0 NaN 7.0 NaN NaN NaN
31 05:20 19.0 8.0 50.0 7.0 12.0 28.0 46.0 13.0 14.0 15.0 37.0 18.0 NaN 22.0 NaN 24.0 NaN NaN NaN
32 05:40 52.0 52.0 52.0 29.0 31.0 9.0 16.0 52.0 27.0 52.0 9.0 42.0 NaN 21.0 NaN 11.0 NaN NaN NaN
33 06:00 NaN 12.0 14.0 16.0 19.0 45.0 52.0 4.0 5.0 9.0 26.0 NaN 45.0 50.0 NaN 52.0 NaN NaN NaN
34 06:20 NaN 52.0 NaN 47.0 45.0 NaN NaN 38.0 49.0 32.0 9.0 NaN 56.0 NaN NaN NaN NaN NaN NaN
35 06:40 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
In [24]:
abril.columns
Out[24]:
Index(['Hora', 'Primero1', 'Cuarto4', 'Quinto5', 'Sexto6', 'Septimo7',
       'Octavo8', 'DiezOcho18', 'DiezNueve19', 'Veinte20', 'VeinteUno21',
       'VeinteDos22', 'VeinteCinco25', 'VeinteSeis26', 'VeinteSiete27',
       'VeinteOcho28', 'VeinteNueve29', 'Unnamed: 17', 'Unnamed: 18',
       'Unnamed: 19'],
      dtype='object')
In [25]:
del abril['Unnamed: 17']
del abril['Unnamed: 18']
del abril['Unnamed: 19']
In [26]:
abril['Hora'] = abril['Hora'].fillna(0)
fig1 = px.box(abril, points="all", color="Hora")
fig3 = px.pie(abril,values='Primero1', names='Hora')
fig4 = px.bar(abril, y="Hora", x=abril.columns,title="Horas de ruta",text_auto= True,color_discrete_map={'Primero1':'green'})
fig4.update_yaxes(type='category', categoryorder= 'total ascending')
fig5 = px.bar(abril, x="Hora", y=abril.columns,title="Horas de ruta",text_auto= True,color_discrete_map={'Primero1':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
In [27]:
fig1.show()
In [28]:
fig3.show()
In [29]:
fig4.show()
In [30]:
fig5.show()
In [31]:
abrilh = abril
abrilh['Hsum'] = abrilh.sum(axis=1)
abrilh[['Hora','Hsum']]

fig6 = px.bar(abrilh, x="Hora", y='Hsum',title="Horas de ruta",text_auto= True,color_discrete_map={'Primero1':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
fig6.show()
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:2: FutureWarning:

Dropping of nuisance columns in DataFrame reductions (with 'numeric_only=None') is deprecated; in a future version this will raise TypeError.  Select only valid columns before calling the reduction.

Mayo

In [32]:
mayo
Out[32]:
Hora Segundo2 Tercero3 Cuarto4 Quinto5 Sexto6 Nueve9 Diez10 Once11 Doce12 ... DiezOcho18 DiezNueve19 Veinte20 VentiTres23 VentiCuatro24 VentiCinco25 VeinteSeis26 VeinteSiete27 Treinta30 TreintaUno31
0 06:20 NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN 6.0 NaN NaN NaN NaN NaN NaN
1 06:40 32.0 49.0 53.0 39.0 47.0 34.0 52.0 52.0 45.0 ... 52.0 46.0 49.0 3.0 52.0 12.0 52.0 39.0 NaN 32.0
2 07:00 0.0 3.0 1.0 2.0 7.0 5.0 4.0 6.0 1.0 ... 2.0 2.0 3.0 7.0 5.0 23.0 4.0 5.0 NaN 0.0
3 07:20 10.0 24.0 28.0 15.0 10.0 7.0 10.0 14.0 12.0 ... 10.0 9.0 5.0 4.0 30.0 NaN 8.0 1.0 NaN 13.0
4 07:40 5.0 8.0 14.0 9.0 15.0 4.0 9.0 10.0 17.0 ... 6.0 5.0 5.0 27.0 18.0 NaN 15.0 16.0 NaN 9.0
5 08:00 14.0 16.0 11.0 8.0 27.0 6.0 7.0 9.0 12.0 ... 14.0 12.0 14.0 3.0 14.0 NaN 9.0 10.0 NaN 9.0
6 08:20 6.0 25.0 0.0 4.0 0.0 3.0 0.0 14.0 3.0 ... 9.0 4.0 41.0 25.0 7.0 NaN 7.0 12.0 NaN 7.0
7 08:40 37.0 NaN 5.0 37.0 0.0 43.0 0.0 32.0 45.0 ... 31.0 47.0 34.0 6.0 52.0 NaN 50.0 31.0 NaN 26.0
8 09:00 18.0 NaN 29.0 48.0 18.0 16.0 24.0 17.0 24.0 ... 52.0 32.0 27.0 24.0 28.0 NaN 29.0 15.0 NaN 21.0
9 09:20 10.0 NaN 6.0 24.0 0.0 21.0 53.0 14.0 12.0 ... 9.0 18.0 NaN 22.0 27.0 NaN 15.0 9.0 NaN 9.0
10 09:40 17.0 NaN 33.0 8.0 0.0 18.0 14.0 11.0 28.0 ... 14.0 25.0 NaN 18.0 20.0 NaN 19.0 19.0 NaN 35.0
11 10:00 12.0 NaN 30.0 22.0 53.0 18.0 19.0 19.0 7.0 ... 25.0 17.0 NaN 14.0 18.0 NaN 29.0 25.0 NaN 16.0
12 10:20 19.0 NaN 7.0 15.0 53.0 13.0 28.0 12.0 13.0 ... 22.0 20.0 NaN 17.0 20.0 20.0 9.0 12.0 NaN 27.0
13 10:40 36.0 NaN 41.0 37.0 29.0 20.0 23.0 50.0 36.0 ... 7.0 32.0 NaN 11.0 14.0 48.0 31.0 15.0 NaN 16.0
14 11:00 34.0 NaN 37.0 43.0 59.0 24.0 8.0 42.0 35.0 ... 9.0 29.0 NaN 10.0 22.0 0.0 18.0 22.0 NaN 26.0
15 11:20 13.0 17.0 9.0 7.0 48.0 15.0 34.0 12.0 18.0 ... 11.0 12.0 NaN 25.0 32.0 3.0 17.0 NaN NaN 12.0
16 11:40 22.0 25.0 26.0 27.0 23.0 52.0 33.0 17.0 22.0 ... 32.0 37.0 NaN 26.0 18.0 20.0 31.0 NaN NaN 29.0
17 12:00 NaN NaN NaN NaN 37.0 NaN 28.0 NaN NaN ... 43.0 NaN NaN 33.0 16.0 NaN NaN NaN NaN NaN
18 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
19 01:20 34.0 29.0 28.0 34.0 NaN 37.0 NaN 19.0 52.0 ... 29.0 38.0 34.0 18.0 NaN 32.0 37.0 26.0 NaN 36.0
20 01:40 39.0 52.0 52.0 52.0 30.0 52.0 52.0 52.0 9.0 ... 52.0 43.0 31.0 15.0 52.0 40.0 29.0 34.0 NaN 48.0
21 02:00 32.0 24.0 19.0 30.0 25.0 33.0 11.0 9.0 51.0 ... 14.0 19.0 15.0 12.0 23.0 15.0 17.0 28.0 NaN 14.0
22 02:20 27.0 11.0 28.0 13.0 29.0 7.0 7.0 15.0 0.0 ... 23.0 16.0 34.0 52.0 18.0 16.0 14.0 30.0 NaN 21.0
23 02:40 9.0 11.0 29.0 33.0 27.0 16.0 8.0 11.0 6.0 ... 0.0 15.0 9.0 26.0 26.0 21.0 14.0 8.0 NaN 14.0
24 03:00 23.0 9.0 12.0 6.0 7.0 13.0 3.0 18.0 33.0 ... 0.0 14.0 16.0 37.0 14.0 7.0 13.0 7.0 NaN 28.0
25 03:20 16.0 23.0 41.0 16.0 36.0 21.0 17.0 15.0 10.0 ... 0.0 15.0 19.0 32.0 21.0 10.0 26.0 12.0 NaN 27.0
26 03:40 41.0 26.0 52.0 45.0 26.0 34.0 36.0 36.0 52.0 ... 47.0 52.0 0.0 39.0 37.0 26.0 23.0 26.0 NaN 28.0
27 04:00 12.0 21.0 18.0 9.0 29.0 15.0 52.0 12.0 9.0 ... 36.0 29.0 0.0 16.0 43.0 30.0 14.0 29.0 NaN 25.0
28 04:20 48.0 50.0 0.0 43.0 52.0 51.0 8.0 13.0 51.0 ... 12.0 37.0 18.0 47.0 15.0 9.0 37.0 31.0 NaN 52.0
29 04:40 5.0 6.0 23.0 9.0 14.0 13.0 36.0 NaN 17.0 ... 40.0 16.0 2.0 32.0 6.0 38.0 38.0 19.0 NaN 9.0
30 05:00 19.0 18.0 27.0 15.0 18.0 26.0 14.0 NaN 27.0 ... 24.0 18.0 40.0 12.0 36.0 8.0 33.0 35.0 NaN 18.0
31 05:20 17.0 22.0 11.0 13.0 21.0 18.0 29.0 NaN 28.0 ... 32.0 9.0 0.0 44.0 14.0 30.0 18.0 22.0 NaN 9.0
32 05:40 42.0 52.0 40.0 52.0 31.0 50.0 30.0 NaN 45.0 ... 17.0 52.0 0.0 12.0 52.0 7.0 43.0 30.0 NaN 52.0
33 06:00 19.0 9.0 7.0 12.0 4.0 7.0 52.0 NaN 30.0 ... 50.0 11.0 0.0 39.0 17.0 29.0 19.0 31.0 NaN 17.0
34 06:20 NaN 31.0 48.0 47.0 31.0 NaN NaN NaN NaN ... NaN NaN NaN NaN NaN NaN 31.0 NaN NaN 31.0
35 06:40 NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN

36 rows × 23 columns

In [33]:
mayo.columns
Out[33]:
Index(['Hora', 'Segundo2', 'Tercero3', 'Cuarto4', 'Quinto5', 'Sexto6',
       'Nueve9', 'Diez10', 'Once11', 'Doce12', 'Trece13', 'DiezSeis16',
       'DiezSiete17', 'DiezOcho18', 'DiezNueve19', 'Veinte20', 'VentiTres23',
       'VentiCuatro24', 'VentiCinco25', 'VeinteSeis26', 'VeinteSiete27',
       'Treinta30', 'TreintaUno31'],
      dtype='object')
In [34]:
mayo['Hora'] = mayo['Hora'].fillna(0)
fig1 = px.box(mayo, points="all", color="Hora")
fig3 = px.pie(mayo,values='Segundo2', names='Hora')
fig4 = px.bar(mayo, y="Hora", x=mayo.columns,title="Horas de ruta",text_auto= True,color_discrete_map={'Segundo2':'green'})
fig4.update_yaxes(type='category', categoryorder= 'total ascending')
fig5 = px.bar(mayo, x="Hora", y=mayo.columns,title="Horas de ruta",text_auto= True,color_discrete_map={'Segundo2':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
In [35]:
fig1.show()
In [36]:
fig3.show()
In [37]:
fig4.show()
In [38]:
fig5.show()
In [39]:
mayoh = mayo
mayoh['Hsum'] = mayoh.sum(axis=1)
mayoh[['Hora','Hsum']]

fig6 = px.bar(mayoh, x="Hora", y='Hsum',title="Horas de ruta",text_auto= True,color_discrete_map={'Primero1':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
fig6.show()
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:2: FutureWarning:

Dropping of nuisance columns in DataFrame reductions (with 'numeric_only=None') is deprecated; in a future version this will raise TypeError.  Select only valid columns before calling the reduction.

Junio

In [40]:
junio
Out[40]:
Hora Primero1 Segundo2 Tercero3 Sexto6 Septimo7 Octavo8 Nueve9 Diez10 Trece13 ... DiezSiete17 Veinte20 VeinteUno21 VeinteDos22 VentiTres23 VentiCuatro24 VeinteSiete27 VeinteOcho28 VeinteNueve29 Treinta30
0 06:20 NaN NaN NaN NaN 22.0 30.0 21.0 22.0 NaN ... NaN NaN NaN NaN NaN NaN NaN 32.0 NaN NaN
1 06:40 47.0 NaN NaN 24.0 5.0 4.0 7.0 7.0 27.0 ... 48.0 NaN 45.0 50.0 48.0 48.0 NaN 4.0 NaN 30.0
2 07:00 1.0 NaN NaN 12.0 19.0 30.0 43.0 30.0 0.0 ... 3.0 NaN 2.0 5.0 10.0 4.0 NaN 10.0 35.0 4.0
3 07:20 9.0 NaN NaN 10.0 0.0 32.0 9.0 18.0 15.0 ... 12.0 NaN 7.0 17.0 8.0 10.0 NaN 8.0 3.0 0.0
4 07:40 12.0 NaN NaN 8.0 12.0 20.0 12.0 8.0 9.0 ... 9.0 NaN 10.0 6.0 9.0 15.0 NaN 8.0 0.0 10.0
5 08:00 10.0 NaN NaN 15.0 7.0 3.0 9.0 5.0 8.0 ... 2.0 NaN 8.0 11.0 9.0 11.0 NaN 4.0 26.0 14.0
6 08:20 12.0 NaN NaN 2.0 19.0 36.0 28.0 21.0 7.0 ... 9.0 NaN 3.0 10.0 5.0 6.0 NaN 28.0 0.0 0.0
7 08:40 35.0 NaN NaN 10.0 9.0 12.0 14.0 13.0 30.0 ... 26.0 NaN 48.0 40.0 39.0 20.0 NaN 0.0 14.0 30.0
8 09:00 46.0 NaN NaN 18.0 20.0 9.0 11.0 10.0 19.0 ... 15.0 NaN 17.0 37.0 26.0 15.0 NaN 27.0 30.0 14.0
9 09:20 15.0 NaN NaN 14.0 27.0 30.0 25.0 14.0 6.0 ... 8.0 NaN 12.0 19.0 13.0 10.0 NaN 20.0 31.0 0.0
10 09:40 38.0 NaN NaN 30.0 21.0 16.0 13.0 9.0 15.0 ... 12.0 NaN 30.0 25.0 12.0 27.0 NaN 0.0 0.0 16.0
11 10:00 24.0 NaN NaN 14.0 8.0 10.0 10.0 11.0 11.0 ... 33.0 NaN 18.0 17.0 4.0 30.0 NaN 18.0 27.0 20.0
12 10:20 11.0 NaN NaN 26.0 10.0 21.0 29.0 30.0 21.0 ... 8.0 NaN 13.0 16.0 19.0 22.0 NaN 24.0 29.0 0.0
13 10:40 20.0 NaN NaN 0.0 15.0 23.0 11.0 12.0 25.0 ... 19.0 NaN 43.0 32.0 30.0 30.0 NaN 0.0 0.0 374.0
14 11:00 27.0 NaN NaN 0.0 14.0 17.0 23.0 15.0 27.0 ... 32.0 NaN 39.0 28.0 25.0 19.0 NaN 26.0 0.0 17.0
15 11:20 19.0 NaN NaN 10.0 30.0 30.0 45.0 43.0 16.0 ... 13.0 NaN 10.0 12.0 14.0 20.0 NaN 0.0 0.0 0.0
16 11:40 33.0 NaN NaN 35.0 27.0 29.0 33.0 30.0 30.0 ... 28.0 NaN 27.0 14.0 30.0 24.0 NaN 17.0 0.0 10.0
17 12:00 NaN NaN NaN NaN 31.0 31.0 31.0 18.0 NaN ... NaN NaN NaN NaN NaN NaN NaN 39.0 0.0 31.0
18 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
19 01:20 36.0 NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
20 01:40 52.0 NaN NaN 52.0 52.0 52.0 52.0 29.0 36.0 ... 23.0 NaN 40.0 36.0 29.0 27.0 NaN 32.0 35.0 10.0
21 02:00 18.0 NaN NaN 28.0 30.0 52.0 28.0 47.0 21.0 ... 50.0 NaN 52.0 50.0 52.0 52.0 NaN 39.0 47.0 51.0
22 02:20 25.0 NaN NaN 23.0 13.0 13.0 11.0 8.0 32.0 ... 7.0 NaN 14.0 12.0 17.0 17.0 NaN 30.0 0.0 0.0
23 02:40 8.0 NaN NaN 0.0 15.0 16.0 16.0 15.0 19.0 ... 24.0 NaN 25.0 17.0 25.0 29.0 NaN 18.0 34.0 0.0
24 03:00 12.0 NaN NaN 0.0 19.0 12.0 8.0 13.0 18.0 ... 7.0 NaN 19.0 20.0 28.0 17.0 NaN 0.0 36.0 23.0
25 03:20 21.0 NaN NaN 21.0 28.0 17.0 23.0 22.0 23.0 ... 21.0 NaN 14.0 19.0 19.0 23.0 NaN 30.0 0.0 16.0
26 03:40 31.0 NaN NaN 31.0 52.0 47.0 45.0 27.0 26.0 ... 60.0 NaN 19.0 8.0 25.0 24.0 NaN 0.0 33.0 0.0
27 04:00 30.0 NaN NaN 15.0 44.0 34.0 50.0 26.0 37.0 ... 16.0 NaN 31.0 48.0 26.0 27.0 NaN 33.0 24.0 28.0
28 04:20 47.0 NaN NaN 38.0 16.0 19.0 11.0 9.0 17.0 ... 21.0 NaN 12.0 12.0 20.0 13.0 NaN 0.0 0.0 31.0
29 04:40 NaN NaN NaN 0.0 42.0 39.0 23.0 27.0 46.0 ... 14.0 NaN 49.0 33.0 25.0 36.0 NaN 13.0 20.0 0.0
30 05:00 NaN NaN NaN 0.0 16.0 31.0 12.0 6.0 14.0 ... 16.0 NaN 12.0 16.0 19.0 18.0 NaN 29.0 28.0 15.0
31 05:20 NaN NaN NaN 28.0 35.0 45.0 49.0 20.0 32.0 ... 10.0 NaN 36.0 42.0 24.0 29.0 NaN 19.0 0.0 27.0
32 05:40 NaN NaN NaN 52.0 33.0 26.0 21.0 17.0 13.0 ... 48.0 NaN 14.0 12.0 29.0 9.0 NaN 20.0 14.0 2.0
33 06:00 NaN NaN NaN 8.0 52.0 52.0 52.0 NaN 33.0 ... 14.0 NaN 47.0 29.0 35.0 27.0 NaN NaN 40.0 21.0
34 06:20 NaN NaN NaN 30.0 NaN NaN NaN NaN NaN ... 34.0 NaN NaN 8.0 52.0 8.0 NaN NaN NaN 10.0
35 06:40 NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN 30.0 50.0 39.0 NaN NaN NaN NaN

36 rows × 23 columns

In [41]:
junio.columns
Out[41]:
Index(['Hora', 'Primero1', 'Segundo2', 'Tercero3', 'Sexto6', 'Septimo7',
       'Octavo8', 'Nueve9', 'Diez10', 'Trece13', 'Catorce14', 'Quince15',
       'DiezSeis16', 'DiezSiete17', 'Veinte20', 'VeinteUno21', 'VeinteDos22',
       'VentiTres23', 'VentiCuatro24', 'VeinteSiete27', 'VeinteOcho28',
       'VeinteNueve29', 'Treinta30'],
      dtype='object')
In [42]:
junio['Hora'] = junio['Hora'].fillna(0)
fig1 = px.box(junio, points="all", color="Hora")
fig3 = px.pie(junio, names='Hora')
fig4 = px.bar(junio, y="Hora", x=junio.columns,title="Horas de ruta",text_auto= True,color_discrete_map={'Segundo2':'green'})
fig4.update_yaxes(type='category', categoryorder= 'total ascending')
fig5 = px.bar(junio, x="Hora", y=junio.columns,title="Horas de ruta",text_auto= True,color_discrete_map={'Segundo2':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
In [43]:
fig1.show()
In [44]:
fig3.show()
In [45]:
fig4.show()
In [46]:
fig5.show()
In [47]:
junioh = junio
junioh['Hsum'] = junioh.sum(axis=1)
junioh[['Hora','Hsum']]

fig6 = px.bar(junioh, x="Hora", y='Hsum',title="Horas de ruta",text_auto= True,color_discrete_map={'Primero1':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
fig6.show()
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:2: FutureWarning:

Dropping of nuisance columns in DataFrame reductions (with 'numeric_only=None') is deprecated; in a future version this will raise TypeError.  Select only valid columns before calling the reduction.

Agosto

In [48]:
agosto
Out[48]:
Hora Primero1 Segundo2 Tercero3 Cuarto4 Quinto5 Octavo8 Nueve9 Diez10 Once11 ... DiezOcho18 DiezNueve19 VeinteDos22 VentiTres23 VentiCuatro24 VentiCinco25 VeinteSeis26 VeinteNueve29 Treinta30 TreintaUno31
0 06:20 NaN NaN NaN NaN NaN NaN NaN NaN NaN ... 50.0 49.0 NaN 41.0 52.0 NaN NaN NaN NaN NaN
1 06:40 29.0 50.0 52.0 52.0 52.0 29.0 50.0 52.0 52.0 ... 9.0 26.0 52.0 12.0 8.0 52.0 NaN NaN NaN NaN
2 07:00 17.0 2.0 0.0 3.0 3.0 17.0 2.0 0.0 3.0 ... 15.0 9.0 22.0 32.0 17.0 20.0 NaN NaN NaN NaN
3 07:20 5.0 6.0 7.0 15.0 4.0 5.0 6.0 7.0 15.0 ... 22.0 60.0 14.0 9.0 12.0 0.0 NaN NaN NaN NaN
4 07:40 6.0 7.0 23.0 12.0 16.0 6.0 7.0 23.0 12.0 ... 12.0 18.0 8.0 20.0 13.0 0.0 NaN NaN NaN NaN
5 08:00 12.0 0.0 17.0 0.0 15.0 12.0 0.0 17.0 0.0 ... 4.0 6.0 6.0 5.0 18.0 0.0 NaN NaN NaN NaN
6 08:20 9.0 0.0 4.0 31.0 9.0 9.0 0.0 4.0 31.0 ... 31.0 0.0 4.0 46.0 26.0 0.0 NaN NaN NaN NaN
7 08:40 23.0 52.0 52.0 14.0 10.0 23.0 52.0 52.0 14.0 ... 16.0 50.0 51.0 41.0 11.0 0.0 NaN NaN NaN NaN
8 09:00 18.0 0.0 30.0 0.0 33.0 18.0 0.0 30.0 0.0 ... 22.0 0.0 24.0 0.0 10.0 0.0 NaN NaN NaN NaN
9 09:20 7.0 18.0 14.0 10.0 0.0 7.0 8.0 14.0 10.0 ... 40.0 19.0 18.0 38.0 52.0 0.0 NaN NaN NaN NaN
10 09:40 23.0 48.0 30.0 47.0 0.0 23.0 48.0 30.0 47.0 ... 16.0 30.0 32.0 47.0 30.0 0.0 NaN NaN NaN NaN
11 10:00 15.0 23.0 26.0 28.0 30.0 15.0 23.0 26.0 28.0 ... 12.0 36.0 17.0 30.0 27.0 0.0 NaN NaN NaN NaN
12 10:20 43.0 19.0 31.0 20.0 19.0 43.0 19.0 31.0 20.0 ... 30.0 10.0 15.0 8.0 29.0 0.0 NaN NaN NaN NaN
13 10:40 36.0 31.0 48.0 38.0 52.0 30.0 31.0 48.0 38.0 ... 18.0 0.0 32.0 38.0 24.0 52.0 NaN NaN NaN NaN
14 11:00 26.0 0.0 36.0 13.0 30.0 26.0 0.0 36.0 13.0 ... 25.0 30.0 45.0 0.0 12.0 40.0 NaN NaN NaN NaN
15 11:20 17.0 34.0 14.0 10.0 17.0 17.0 34.0 14.0 10.0 ... 45.0 36.0 8.0 38.0 43.0 18.0 NaN NaN NaN NaN
16 11:40 50.0 31.0 37.0 30.0 NaN 50.0 31.0 37.0 30.0 ... 34.0 21.0 36.0 30.0 30.0 48.0 NaN NaN NaN NaN
17 12:00 NaN NaN NaN NaN NaN NaN NaN NaN NaN ... 33.0 30.0 NaN NaN 39.0 NaN NaN NaN NaN NaN
18 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
19 01:20 28.0 52.0 NaN 41.0 39.0 28.0 52.0 NaN 41.0 ... NaN NaN 38.0 52.0 52.0 52.0 NaN NaN NaN NaN
20 01:40 50.0 52.0 47.0 52.0 52.0 50.0 52.0 47.0 52.0 ... 52.0 47.0 52.0 52.0 52.0 52.0 NaN NaN NaN NaN
21 02:00 18.0 23.0 52.0 28.0 24.0 18.0 23.0 52.0 28.0 ... 50.0 39.0 18.0 8.0 20.0 20.0 NaN NaN NaN NaN
22 02:20 29.0 48.0 13.0 31.0 23.0 29.0 48.0 13.0 31.0 ... 20.0 22.0 18.0 29.0 31.0 31.0 NaN NaN NaN NaN
23 02:40 24.0 10.0 7.0 18.0 24.0 24.0 10.0 7.0 18.0 ... 30.0 19.0 26.0 32.0 20.0 37.0 NaN NaN NaN NaN
24 03:00 33.0 31.0 14.0 0.0 8.0 33.0 31.0 14.0 0.0 ... 14.0 12.0 17.0 27.0 0.0 28.0 NaN NaN NaN NaN
25 03:20 30.0 30.0 26.0 18.0 0.0 30.0 30.0 26.0 18.0 ... 147.0 21.0 21.0 16.0 47.0 23.0 NaN NaN NaN NaN
26 03:40 31.0 31.0 17.0 32.0 35.0 31.0 31.0 17.0 32.0 ... 37.0 29.0 33.0 30.0 32.0 28.0 NaN NaN NaN NaN
27 04:00 22.0 30.0 0.0 0.0 52.0 22.0 30.0 0.0 30.0 ... 50.0 52.0 20.0 14.0 38.0 37.0 NaN NaN NaN NaN
28 04:20 40.0 45.0 18.0 30.0 31.0 40.0 45.0 18.0 27.0 ... 29.0 28.0 50.0 50.0 50.0 52.0 NaN NaN NaN NaN
29 04:40 22.0 24.0 41.0 27.0 35.0 22.0 24.0 41.0 0.0 ... 48.0 21.0 23.0 30.0 17.0 NaN NaN NaN NaN NaN
30 05:00 26.0 21.0 8.0 0.0 0.0 26.0 21.0 8.0 0.0 ... 10.0 22.0 30.0 52.0 49.0 NaN NaN NaN NaN NaN
31 05:20 14.0 14.0 20.0 0.0 6.0 14.0 14.0 20.0 14.0 ... 29.0 25.0 29.0 30.0 18.0 NaN NaN NaN NaN NaN
32 05:40 52.0 49.0 14.0 14.0 52.0 52.0 49.0 14.0 46.0 ... 22.0 7.0 52.0 52.0 50.0 NaN NaN NaN NaN NaN
33 06:00 12.0 23.0 52.0 46.0 NaN 12.0 23.0 52.0 20.0 ... NaN 52.0 20.0 22.0 19.0 NaN NaN NaN NaN NaN
34 06:20 30.0 48.0 NaN 20.0 NaN 30.0 48.0 NaN 48.0 ... NaN NaN 52.0 38.0 41.0 NaN NaN NaN NaN NaN
35 06:40 NaN NaN NaN 48.0 NaN NaN NaN NaN NaN ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN

36 rows × 24 columns

In [49]:
agosto.columns
Out[49]:
Index(['Hora', 'Primero1', 'Segundo2', 'Tercero3', 'Cuarto4', 'Quinto5',
       'Octavo8', 'Nueve9', 'Diez10', 'Once11', 'Doce12', 'Quince15',
       'DiezSeis16', 'DiezSiete17', 'DiezOcho18', 'DiezNueve19', 'VeinteDos22',
       'VentiTres23', 'VentiCuatro24', 'VentiCinco25', 'VeinteSeis26',
       'VeinteNueve29', 'Treinta30', 'TreintaUno31'],
      dtype='object')
In [50]:
agosto['Hora'] = agosto['Hora'].fillna(0)
fig1 = px.box(agosto, points="all", color="Hora")
fig3 = px.pie(agosto,values='Segundo2', names='Hora')
fig4 = px.bar(agosto, y="Hora", x=agosto.columns,title="Horas de ruta",text_auto= True,color_discrete_map={'Segundo2':'green'})
fig4.update_yaxes(type='category', categoryorder= 'total ascending')
fig5 = px.bar(agosto, x="Hora", y=agosto.columns,title="Horas de ruta",text_auto= True,color_discrete_map={'Segundo2':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
In [51]:
fig1.show()
In [52]:
fig3.show()
In [53]:
fig4.show()
In [54]:
fig5.show()
In [55]:
agostoh = agosto
agostoh['Hsum'] = agostoh.sum(axis=1)
agostoh[['Hora','Hsum']]

fig6 = px.bar(agostoh, x="Hora", y='Hsum',title="Horas de ruta",text_auto= True,color_discrete_map={'Primero1':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
fig6.show()
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:2: FutureWarning:

Dropping of nuisance columns in DataFrame reductions (with 'numeric_only=None') is deprecated; in a future version this will raise TypeError.  Select only valid columns before calling the reduction.

Septiembre

In [56]:
septiembre
Out[56]:
Hora Primero1 Segundo2 Quinto5 Sexto6 Septimo7 Octavo8 Nueve9 12.0 Trece13 ... VeinteSiete27 VeinteOcho28 VeinteNueve29 Treinta30 Unnamed: 23 Unnamed: 24 Unnamed: 25 Unnamed: 26 Unnamed: 27 Unnamed: 28
0 06:20 NaN 41.0 NaN NaN NaN NaN 38.0 NaN 40.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
1 06:40 NaN 14.0 48.0 52.0 52.0 52.0 9.0 39.0 6.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
2 07:00 NaN 20.0 7.0 3.0 3.0 36.0 33.0 4.0 32.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
3 07:20 NaN 13.0 26.0 12.0 12.0 15.0 28.0 17.0 15.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
4 07:40 NaN 10.0 8.0 28.0 30.0 10.0 11.0 7.0 30.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
5 08:00 NaN 7.0 13.0 17.0 28.0 9.0 4.0 21.0 9.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
6 08:20 NaN 24.0 7.0 12.0 7.0 39.0 26.0 52.0 28.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
7 08:40 NaN 30.0 52.0 52.0 52.0 27.0 19.0 50.0 17.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
8 09:00 NaN 35.0 31.0 52.0 38.0 18.0 17.0 27.0 28.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
9 09:20 NaN 42.0 24.0 28.0 26.0 21.0 36.0 20.0 45.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
10 09:40 NaN 27.0 22.0 51.0 19.0 16.0 49.0 36.0 30.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
11 10:00 NaN 0.0 14.0 32.0 26.0 9.0 52.0 20.0 40.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
12 10:20 NaN 28.0 19.0 17.0 12.0 30.0 30.0 23.0 25.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
13 10:40 NaN 27.0 16.0 46.0 31.0 20.0 0.0 39.0 52.0 ... NaN NaN NaN NaN NaN NaN * NaN NaN 4.0
14 11:00 NaN 43.0 25.0 41.0 41.0 7.0 52.0 42.0 27.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN 30.0
15 11:20 NaN 52.0 18.0 48.0 38.0 30.0 0.0 17.0 19.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
16 11:40 NaN 28.0 24.0 35.0 43.0 33.0 47.0 30.0 53.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN 31.0
17 12:00 NaN NaN NaN NaN NaN 34.0 NaN NaN 30.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN 31.0
18 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN NaN NaN NaN NaN NaN 28.0
19 01:20 NaN NaN 50.0 52.0 41.0 NaN 38.0 36.0 NaN ... NaN NaN NaN NaN NaN NaN NaN NaN NaN 28.0
20 01:40 52.0 NaN 52.0 50.0 50.0 50.0 50.0 52.0 52.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN 152.0
21 02:00 52.0 NaN 24.0 30.0 17.0 31.0 30.0 30.0 50.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
22 02:20 0.0 NaN 27.0 27.0 23.0 21.0 27.0 31.0 23.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
23 02:40 0.0 NaN 9.0 10.0 22.0 37.0 10.0 4.0 17.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
24 03:00 0.0 NaN 21.0 16.0 20.0 12.0 0.0 18.0 28.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
25 03:20 16.0 NaN 39.0 20.0 42.0 27.0 1.0 28.0 24.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
26 03:40 50.0 30.0 48.0 50.0 50.0 38.0 38.0 52.0 30.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
27 04:00 42.0 52.0 24.0 33.0 33.0 52.0 13.0 24.0 12.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
28 04:20 52.0 7.0 52.0 52.0 52.0 23.0 50.0 52.0 52.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
29 04:40 23.0 32.0 24.0 20.0 40.0 39.0 0.0 18.0 20.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
30 05:00 30.0 NaN 34.0 52.0 20.0 31.0 14.0 24.0 39.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
31 05:20 16.0 NaN 39.0 31.0 0.0 36.0 52.0 52.0 28.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
32 05:40 52.0 NaN 50.0 43.0 33.0 29.0 8.0 52.0 52.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
33 06:00 48.0 NaN 17.0 14.0 52.0 52.0 52.0 52.0 30.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
34 06:20 52.0 NaN 52.0 52.0 NaN NaN NaN 28.0 52.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
35 06:40 NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN

36 rows × 29 columns

In [57]:
septiembre.columns
Out[57]:
Index([         'Hora',      'Primero1',      'Segundo2',       'Quinto5',
              'Sexto6',      'Septimo7',       'Octavo8',        'Nueve9',
                  12.0,       'Trece13',     'Catorce14',      'Quince15',
          'DiezSeis16',   'DiezNueve19',      'Veinte20',   'VeinteUno21',
         'VeinteDos22',  'VeinteTres23',  'VeinteSeis26', 'VeinteSiete27',
        'VeinteOcho28', 'VeinteNueve29',     'Treinta30',   'Unnamed: 23',
         'Unnamed: 24',   'Unnamed: 25',   'Unnamed: 26',   'Unnamed: 27',
         'Unnamed: 28'],
      dtype='object')
In [58]:
del septiembre['Unnamed: 23']
del septiembre['Unnamed: 24']
del septiembre['Unnamed: 25']
del septiembre['Unnamed: 26']
del septiembre['Unnamed: 27']
del septiembre['Unnamed: 28']
del septiembre['VeinteTres23']
del septiembre['VeinteSeis26']
del septiembre['VeinteSiete27']
del septiembre['VeinteOcho28']
del septiembre['VeinteNueve29']
del septiembre['Treinta30']
del septiembre['Primero1']
In [59]:
septiembre.drop([35, 18])
Out[59]:
Hora Segundo2 Quinto5 Sexto6 Septimo7 Octavo8 Nueve9 12.0 Trece13 Catorce14 Quince15 DiezSeis16 DiezNueve19 Veinte20 VeinteUno21 VeinteDos22
0 06:20 41.0 NaN NaN NaN NaN 38.0 NaN 40.0 NaN NaN NaN NaN NaN NaN NaN
1 06:40 14.0 48.0 52.0 52.0 52.0 9.0 39.0 6.0 52.0 52.0 52.0 27.0 30.0 28.0 21.0
2 07:00 20.0 7.0 3.0 3.0 36.0 33.0 4.0 32.0 9.0 1.0 0.0 69.0 7.0 6.0 3.0
3 07:20 13.0 26.0 12.0 12.0 15.0 28.0 17.0 15.0 7.0 9.0 5.0 11.0 18.0 9.0 6.0
4 07:40 10.0 8.0 28.0 30.0 10.0 11.0 7.0 30.0 14.0 16.0 12.0 12.0 15.0 13.0 4.0
5 08:00 7.0 13.0 17.0 28.0 9.0 4.0 21.0 9.0 24.0 29.0 12.0 7.0 0.0 12.0 6.0
6 08:20 24.0 7.0 12.0 7.0 39.0 26.0 52.0 28.0 11.0 12.0 4.0 10.0 0.0 9.0 1.0
7 08:40 30.0 52.0 52.0 52.0 27.0 19.0 50.0 17.0 45.0 52.0 52.0 5.0 30.0 29.0 29.0
8 09:00 35.0 31.0 52.0 38.0 18.0 17.0 27.0 28.0 12.0 46.0 20.0 38.0 29.0 17.0 8.0
9 09:20 42.0 24.0 28.0 26.0 21.0 36.0 20.0 45.0 37.0 18.0 11.0 15.0 0.0 10.0 0.0
10 09:40 27.0 22.0 51.0 19.0 16.0 49.0 36.0 30.0 22.0 37.0 36.0 19.0 30.0 0.0 0.0
11 10:00 0.0 14.0 32.0 26.0 9.0 52.0 20.0 40.0 19.0 31.0 35.0 28.0 31.0 15.0 0.0
12 10:20 28.0 19.0 17.0 12.0 30.0 30.0 23.0 25.0 15.0 21.0 3.0 12.0 30.0 9.0 20.0
13 10:40 27.0 16.0 46.0 31.0 20.0 0.0 39.0 52.0 0.0 30.0 39.0 19.0 17.0 31.0 0.0
14 11:00 43.0 25.0 41.0 41.0 7.0 52.0 42.0 27.0 14.0 38.0 52.0 37.0 32.0 30.0 24.0
15 11:20 52.0 18.0 48.0 38.0 30.0 0.0 17.0 19.0 39.0 6.0 9.0 20.0 38.0 29.0 17.0
16 11:40 28.0 24.0 35.0 43.0 33.0 47.0 30.0 53.0 20.0 15.0 18.0 26.0 32.0 27.0 29.0
17 12:00 NaN NaN NaN NaN 34.0 NaN NaN 30.0 36.0 NaN NaN NaN 27.0 NaN 17.0
19 01:20 NaN 50.0 52.0 41.0 NaN 38.0 36.0 NaN NaN 34.0 44.0 30.0 3.0 48.0 0.0
20 01:40 NaN 52.0 50.0 50.0 50.0 50.0 52.0 52.0 52.0 52.0 50.0 47.0 36.0 50.0 0.0
21 02:00 NaN 24.0 30.0 17.0 31.0 30.0 30.0 50.0 30.0 21.0 15.0 35.0 32.0 2.0 0.0
22 02:20 NaN 27.0 27.0 23.0 21.0 27.0 31.0 23.0 18.0 19.0 27.0 48.0 16.0 0.0 30.0
23 02:40 NaN 9.0 10.0 22.0 37.0 10.0 4.0 17.0 22.0 10.0 38.0 32.0 24.0 40.0 NaN
24 03:00 NaN 21.0 16.0 20.0 12.0 0.0 18.0 28.0 20.0 37.0 41.0 16.0 13.0 22.0 NaN
25 03:20 NaN 39.0 20.0 42.0 27.0 1.0 28.0 24.0 29.0 27.0 28.0 30.0 16.0 0.0 NaN
26 03:40 30.0 48.0 50.0 50.0 38.0 38.0 52.0 30.0 36.0 30.0 21.0 41.0 28.0 52.0 NaN
27 04:00 52.0 24.0 33.0 33.0 52.0 13.0 24.0 12.0 52.0 24.0 8.0 20.0 32.0 0.0 NaN
28 04:20 7.0 52.0 52.0 52.0 23.0 50.0 52.0 52.0 14.0 52.0 43.0 50.0 9.0 35.0 NaN
29 04:40 32.0 24.0 20.0 40.0 39.0 0.0 18.0 20.0 24.0 29.0 0.0 9.0 33.0 0.0 NaN
30 05:00 NaN 34.0 52.0 20.0 31.0 14.0 24.0 39.0 10.0 47.0 10.0 18.0 28.0 0.0 NaN
31 05:20 NaN 39.0 31.0 0.0 36.0 52.0 52.0 28.0 33.0 29.0 33.0 34.0 48.0 0.0 NaN
32 05:40 NaN 50.0 43.0 33.0 29.0 8.0 52.0 52.0 28.0 52.0 20.0 52.0 32.0 0.0 NaN
33 06:00 NaN 17.0 14.0 52.0 52.0 52.0 52.0 30.0 52.0 26.0 52.0 20.0 47.0 52.0 46.0
34 06:20 NaN 52.0 52.0 NaN NaN NaN 28.0 52.0 NaN NaN NaN 43.0 NaN NaN NaN
In [60]:
septiembre.columns
Out[60]:
Index([       'Hora',    'Segundo2',     'Quinto5',      'Sexto6',
          'Septimo7',     'Octavo8',      'Nueve9',          12.0,
           'Trece13',   'Catorce14',    'Quince15',  'DiezSeis16',
       'DiezNueve19',    'Veinte20', 'VeinteUno21', 'VeinteDos22'],
      dtype='object')
In [61]:
septiembre['Hora'] = septiembre['Hora'].fillna(0)
septiembre.columns.fillna(0)
fig1 = px.box(septiembre, points="all", color="Hora")
fig3 = px.pie(septiembre,values="Segundo2", names='Hora')
#fig4 = px.bar(septiembre, x="Hora",y=septiembre.values,title="Horas de ruta",text_auto= True,color_discrete_map={'Primero1':'green'})
#fig4.update_yaxes(type='category', categoryorder= 'total ascending')
#fig5 = px.bar(septiembre, x="Hora", y=septiembre.columns,title="Horas de ruta",text_auto= True,color_discrete_map={'Segundo2':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
In [62]:
fig1.show()
In [63]:
fig3.show()
In [64]:
septiembreh = septiembre
septiembreh['Hsum'] = septiembreh.sum(axis=1)
septiembreh[['Hora','Hsum']]

fig6 = px.bar(septiembreh, x="Hora", y='Hsum',title="Horas de ruta",text_auto= True,color_discrete_map={'Primero1':'green'})
#fig.update_yaxes(type='category', categoryorder= 'total ascending')
fig6.show()
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:2: FutureWarning:

Dropping of nuisance columns in DataFrame reductions (with 'numeric_only=None') is deprecated; in a future version this will raise TypeError.  Select only valid columns before calling the reduction.

In [ ]:
%%shell
jupyter nbconvert --to html /EDA-Rutas.ipynb